What? RecSys

What? RecSys

---

• 추천시스템(Recommender System) : 정보과부하 문제(Information Overload Problem)를 해결하기 위한 개인화 정보 필터링 서비스(Personalized Information Filtering Service) 로서, 사용자에게 적합한 아이템을 제안함으로써 개인화된 경험을 제공하는 기술

  • 정보과부하 문제(Information Overload Problem) : 인간이 처리할 수 있는 정보량 이상의 정보가 제공되어 오히려 개인의 정보 학습 및 의사결정이 방해 받는 현상

• 검색 엔진과 비교

  	Search Engine	Recommender System
  사용자의 자세	능동성	수동성
  사용자 선호 파악	검색어	알고리즘
  사용자 선호 정보	검색 키워드	사용자 프로파일 아이템 프로파일 사용자 과거 행동

• 사용자-아이템 상호작용 데이터(User-Item Interaction Data) : 사용자의 아이템에 대한 선호 여부 및 정도를 포함하는 데이터

  • 명시적 선호 데이터(Explicit Rating Data) : 제시된 평가 시스템에 따라 직접 표출된 선호도
  • 암시적 선호 데이터(Implicit Rating Data) : 행동을 통해 우회로 표출된 선호도
    • 암시적 선호를 순서적으로 나타내는 경우, 이를 선호보다는 확신으로 해석함
  • 순서적 선호 데이터(Ordinal Rating Data) : 정해진 숫자 또는 연속적인 범위로 표시된 선호도
  • 단항 선호 데이터(Unary Rating Data) : 상호작용이 있었다는 사실을 기록한 데이터

Filtering Methods

---

• Most Popular(Best Seller)

• 내용 기반 필터링 기법(Content-based Filtering Method; CB) : 타깃 사용자가 상호작용한 아이템의 콘텐츠를 분석하여 이와 유사한 콘텐츠를 보유하고 있는 아이템을 추천하는 방법

  Show me more of the same what I’ve liked!

  

• 협업 필터링 기법(Collaborative Filtering Method; CF) : 타깃 사용자의 구매 기록을 바탕으로 유사한 사용자 혹은 아이템을 탐색하여 추천하는 방법

  Tell me what’s popular among my peers!

  

• 하이브리드 기법(Hybrid Method) : 협업 필터링 기법과 내용 기반 필터링 기법을 결합하는 방법

  	Content-based Filtering	Collaborative Filtering
  빅데이터	X	Rating Sparsity Problem
  사용자 의존성	X	Cold Start Problem
  아이템 커스터마이징	X	Grey Sheep Problem
  도메인 지식 필요성	Feature Engineering Problem	X
  도메인 종속성	X	CORS Problem (Cross-Origin Resource Sharing)
  추천 결과의 참신성	X	Popularity Bias Problem
  추천 결과의 의외성	Trival Recommendation Problem	X

Goal

---

• 추천시스템의 목적 : 고객 가치 창출을 통한 기업 이윤 도모
  • 가치 명제(Value Proposition) : 고객이 필요로 하는 가치를 창출하기 위한 상품 및 서비스 조합
  • 구매 가치(Purchase Value) : 상품 및 서비스를 구매함으로써 고객이 직접적으로 얻게 되는 실용 가치
  • 브랜드 가치(Brand Value) : 브랜드에 대한 고객의 주관적/무형적 평가에 기초한, 고객이 특정 브랜드를 소유 및 경험함으로써 누리는 심리적 가치
  • 관계 가치(Relationship Value) : 특정 기업에 대한 구매 가치나 브랜드 가치를 넘어서 기업이 고객과 형성하게 되는 관계의 양적, 질적 정도
• 좋은 추천시스템의 요건
  • 효과적(Effective) : 사용자에게 얼마나 잘 맞는 아이템을 제안할 수 있는가
  • 효율적(Efficient) : 제안 생성 및 제공 과정에서 컴퓨팅 자원을 얼마나 잘 활용할 수 있는가
  • 설명력(Explainable) : 사용자에게 아이템을 제안한 근거나 로직을 설명할 수 있는가
  • 설득력(Persuasive) : 사용자가 제안된 아이템을 실제로 구매하거나 사용하도록 유도할 수 있는가
• 효과적인 추천의 목표
  • 적합성(Relevance) : 사용자가 관심 있을 것으로 짐작되는 아이템을 제안함
  • 참신성(Novelty) : 사용자가 이전에 관측하지 못했을 것으로 짐작되는 아이템을 제안함
  • 의외성(Serendipity) : 사용자가 예상하지 못했을 것으로 짐작되는 아이템을 제안함
  • 다양성(Diversity) : 제안된 정보 묶음이 확일적이지 않고 다양한 특성을 가진 정보들로 구성되어 있음

Metrics

---

Focusing on Relevance

• Ordinal Rating Prediction
  • RMSE(Root Mean Squared Error)
  • MAE(Mean Absolute Error)
• Unary Rating Prediction
  • Recall
  • Precision
  • F1-Score
• Top-K Rank Prediction
  • NDCG(Normalized Discounted Cumulative Gain) : under the Explicit Ratings
  • MAP(Mean Average Precision) : under the Implicit Ratings
  • MRR(Mean Reciprocal Rank)

Focusing on Diversity

• Variance-based Diversity
  • Shanon Entropy
  • Simpson Concentration
  • Renyi Entropy
• Equity-based Diversity
  • The Gini Coefficient derived from a Lorenz curve

---

이미지 출처

• https://www.idownloadblog.com/2016/04/26/youtube-new-homepage-design/
• https://towardsdatascience.com/essentials-of-recommendation-engines-content-based-and-collaborative-filtering-31521c964922